关于训练与样本增强

[JiayanYuan]

你好，我对训练过程有两点疑问。 1·比赛公布数据集有RGB，IR和Depth数据，看你的代码是仅仅只用Depth数据训练吗？为什么选择不使用三种类型的数据一起训练分类器呢，混合训练是效果差吗？ 2·样本增强方面。在data/our_filelist/2depth_train.txt中，sample-eye-nose_out是对原始深度图直接提取保留眼睛和鼻子部分然后其他区域都置为0吗？如果是这样处理，请问对于网络学习泛化能力提高明显吗？ 谢谢分享！

[SoftwareGift]

你好，我再比赛的一个阶段只用了depth去训练，集成之后在验证集的错误达到了0。后来我觉得没有必要融合。混合训练会更好的。你可以尝试用融合的方法。但是对于这个数据集来说depth已经够了。万万没想到的是测试集中的数据和验证集还是有差别的，只有depth数据可以达到不错的成绩，但是与第一名差距还是有的，所以我们用了一个融合策略，用feathernetB训练了一个IR模型。融合后效果更好了。融合策略可以看gen_final_xxx.py 2.样本增强，我们用的样本增强代码还没有放在GitHub上，简单来说使用的depth数据增强是对真实样本的面部深度信息进行缩放。同时还可以在真实样本通过对面部区域随机添加类似负样本的深度信息来制作负样本。这样可以明显增强网络的泛化能力。

[lawo123]

本通过对面部区域随机添加类似负样 您好，请问随机添加类似负样本的深度信息是怎么做的呢？代码能公开吗？